[發明專利]一種魯棒的低光照增強圖像質量評價方法

有效

• 申請號: 202011087298.6
• 申請日: 2020-10-12
• 公開（公告）號: CN112381761B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 姚思甘;梁凌宇;朱一秦
• 申請（專利權）人: 華南理工大學;華南理工大學珠海現代產業創新研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06T7/40
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 詹麗紅

1.一種魯棒的低光照增強圖像質量評價方法，其特征在于，所述評價方法包括：

S1、獲取亮度和色度圖像：對輸入圖像進行顏色空間轉換，分離得到圖像的亮度和色度通道信息，根據亮度和色度通道信息合成亮度和色度圖像；

S2、提取圖像特征：根據原始RGB圖像以及合成的亮度圖像和色度圖像，進行圖像特征提取；基于在ImageNet數據集上預訓練好的卷積神經網絡VGG-16構建特征提取網絡，該特征提取網絡取自原始卷積神經網絡VGG-16的前17個網絡層級，包括13個卷積層和4個最大池化層；利用該特征提取網絡逐層提取參考圖像I的特征F_n,n＝1,…,5和低光照增強后圖像I′的特征F_n′,n＝1,…,5，該特征提取網絡提取的5類特征包括圖像的亮度特征、對比度特征、顏色特征、全局結構特征以及紋理細節特征；

S3、計算圖像特征的相似度：計算參考圖像I的特征F_n和低光照增強后圖像I′的特征F_n′的相似性系數S_n,n＝1,…,5，此過程中針對亮度特征、對比度特征、顏色特征、全局結構特征以及紋理細節特征分別采用不同的公式計算圖像特征的相似性系數；

S4、計算圖像質量評分：通過訓練優化神經網絡權重參數的方法獲取最佳的圖像特征相似性系數S_n的權重W_n,n＝1,…,5，根據權重進行相似性系數相加求和，最終得到低光圖像增強后的質量評分S，其中

2.根據權利要求1所述的一種魯棒的低光照增強圖像質量評價方法，其特征在于，所述步驟S1中圖像亮度和色度信息分離的過程如下：

S11、分離圖像亮度和色度通道信息：將原始圖像從RGB顏色空間轉換至YCbCr顏色空間，并分離亮度通道Y和藍色色度通道Cb、紅色色度通道Cr；

S12、合成亮度圖像和色度圖像：利用從轉換顏色空間的原始圖像分離的亮度通道Y、藍色色度通道Cb、紅色色度通道Cr合成獨立的亮度圖像L和色度圖像C，其中，所述亮度圖像L的三個通道均取值為從原始圖像分離出來的亮度通道Y的值；所述色度圖像C的第一、二通道分別取從原始圖像分離出來的藍色色度通道Cb、紅色色度通道Cr的值，而第三通道則取藍色色度通道Cb和紅色色度通道Cr的平均值。

3.根據權利要求1所述的一種魯棒的低光照增強圖像質量評價方法，其特征在于，所述步驟S3中分別采用不同的公式計算圖像特征的相似性系數的過程如下：

計算亮度特征相似性系數S₁(l,l′)：通過步驟S2獲取到參考圖像I的亮度特征l和低光照增強后圖像I′的亮度特征l′，計算圖像亮度特征的相似性系數，計算公式如下：

其中μ_l,μ_l′分別表示參考圖像I和低光照增強后圖像I′的亮度特征的均值，c₁為用于避免公式中出現零分母情況的極小常數；

計算對比度特征相似性系數S₂(c,c′)：通過步驟S2獲取到參考圖像I的對比度特征c和低光照增強后圖像I′的對比度特征c′，計算對比度特征的相似性系數，計算公式如下：

其中分別表示參考圖像I和低光照增強后圖像I′的對比度特征的方差，c₂為用于避免公式中出現零分母情況的極小常數；

計算顏色特征相似性系數S₃(cl,cl′)：通過步驟S2獲取到參考圖像I的顏色特征cl和低光照增強后圖像I′的顏色特征cl′，計算顏色特征的相似性系數，計算公式如下：

其中σ_cl,cl′為參考圖像和低光增強后圖像顏色特征的協方差，分別表示參考圖像I和低光照增強后圖像I′的顏色特征的方差，c₃為用于避免公式中出現零分母情況的極小常數；

計算紋理細節特征相似性系數S₄(t,t′)：通過步驟S2獲取到參考圖像I的紋理特征t和低光照增強后圖像I′的紋理特征t′，計算紋理細節特征的相似性系數，計算公式如下：

其中μ_t、μ_t′分別表示參考圖像I和低光照增強后圖像I′的紋理細節特征的均值，c₄為用于避免公式中出現零分母情況的極小常數；

計算全局結構特征相似性系數S₅(s,s′)：通過步驟S2獲取到參考圖像I的結構特征s和低光照增強后圖像I′的全局結構特征s′，計算全局結構特征的相似性系數，計算公式如下：

其中σ_s,s′表示參考圖像和低光增強后圖像全局結構特征的協方差，分別表示參考圖像I和低光照增強后圖像I′的全局結構特征的方差，c₅為用于避免公式中出現零分母情況的極小常數。